我国作为世界上最大的纺织服装生产国、消费国、出口国,拥有着世界上最多布料生产机台,但是传统的布料纺织机台还延续着劳动密集型的生产方式,耗费大量的人力、物力以保证布料的质量。随着近些年来深度学习算法和边缘计算设备的快速发展,深度学习技术在布料瑕疵检测中得到了广泛的应用,用人工智能方法逐步替代人工看守逐渐变成现实,但是由于深度学习算法网络结构复杂,计算规模大,若要将其应用到实际布料生产线上做实时的瑕疵检测,需要充分考虑其实际应用场景对检测系统的要求。本文以布料图像为实验研究对象,从深度学习模型设计、模型优化、图像后处理、系统优化等方面出发,研发一套准确率高、计算速度快、可靠性强的布料图像瑕疵实时检测系统。本文完成的主要工作如下:1、在数据集样本数量有限条件下,本文使用添加椒盐噪声,调整对比度和亮度,调整旋转角度三种方法来丰富和扩充数据集,然后应用卷积自编码器网络对布料图像进行无监督学习,得到了具有较好布料图像还原效果的轻量化Tensorflow模型,在此基础上简化模型,用MNIST数据集对模型的全连接层特征提取有效性做了实验和分析;2、基于RK3399Pro中NPU的定点运算特性,本文应用模型压缩技术来减小卷积自编码器模型大小,以损失一部分精度为代价,将卷积自编码器模型的推理速度从浮点数据下的每秒10.8帧提高到了定点数据下的每秒14.7帧。在模型压缩的基础上,运用均值滤波、阈值分割、数学形态学处理等图像处理方法对模型的重构误差进行计算,构建了完整的布料图像瑕疵检测算法,算法在一级瑕疵数据集中的检测准确率为99.8%,二级瑕疵数据集中的检测准确率为96.4%。最后在测试集上验证了本文提出的布料图像瑕疵检测算法在嵌入式端的有效性;3、设计了精简有效的人机交互子系统,搭建起了一套布料图像瑕疵实时检测系统。针对系统推理速度不能满足实际生产需求的问题,本文将系统不同任务设定为子进程,在多进程方法下提高不同任务间的数据传输效率,节省了40.3%的推理时间,系统检测速度从每秒7.4帧提高到每秒12.3帧,满足了系统实时性需求。